稀疏轨迹也能画出全场流场：拉格朗日—欧拉网络同时预测长程粒子路径
核心概要
复杂流动中的粒子输运通常靠求解纳维—斯托克斯方程，数值与实验方法成本高，已有机器学习方法在稀疏数据下难以外推长程粒子轨迹。TrajectoryFlowNet 把拉格朗日视角的粒子轨迹与欧拉视角的全场速度、压力放进同一个物理约束网络，只用少量轨迹测量就同时给出全场流动和任意粒子的长程路径。验证覆盖数值算例（顶盖驱动方腔流、复杂圆柱绕流）与实验血流（主动脉、心室），在含不规则边界的流动中保持预测的物理一致性。
深度剖析
粒子在复杂流动中怎么走，现在可以由一个网络直接从少量轨迹测量里给出，而不必先解出整个速度场再积分粒子路径。 此前的做法是求解纳维—斯托克斯方程，数值与实验手段都需要较深的物理洞察并付出较高计算代价；已有的机器学习替代方案在稀疏数据条件下无法泛化到长程粒子轨迹。 在顶盖驱动方腔流和复杂圆柱绕流两个数值算例，以及主动脉血流和左心室血流两个实验测试案例上，模型都给出了全场流动与长程粒子轨迹的预测。
网络同时学两套描述：一套是空间网格上的流速与压力场，另一套是单个粒子随时间的位置轨迹，两者被同一套物理约束绑在一起。 这属于物理信息神经网络，即在训练目标里加入流体方程约束，使网络输出满足物理一致性，而不是只拟合观测数据。 训练只使用稀疏的流动轨迹测量，模型仍能处理带不规则边界的复杂流动形态，并对任意指定粒子给出长程轨迹成像。
启示与展望
讨论范围限于稀疏轨迹测量下的全场流动与长程粒子轨迹预测，演示场景为顶盖驱动方腔流、复杂圆柱绕流两个数值算例，以及主动脉血流与左心室血流两个实验测试案例。适用读者是需要从有限轨迹观测重建流动并追踪粒子的流体力学、实验流体测量与生物医学流动分析人员。源文本未提出下一步实验或部署计划。
模型的有效性在数值与实验案例中得到展示，源文本未给出跨案例的定量误差汇总或与其他方法的系统对比结论。概率版本以 100 个 Stein 粒子给出压力预测的均值与标准差，这一不确定性量化只在实验血流压力预测中出现。稀疏数据条件下长程外推的适用范围，源文本以“scarce measurement”表述，未给出可迁移的数据量阈值。